این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۶، شماره ۱، صفحات ۱۳-۲۲
عنوان فارسی برچسب‌زنی نقش معنایی جملات فارسی با رویکرد یادگیری مبتنی بر حافظه
چکیده فارسی مقاله استخراج نقش های معنایی یکی از گام های اصلی در بازنمایی معنی متن است. نقش های معنایی، ارتباط معنایی بین فعل و آرگومان های آن در جمله را مشخص می‌کنند. در این مقاله یک سیستم برچسب‌زنی خودکار نقش معنایی برای متون فارسی با رویکرد یادگیری ماشین ارائه شده است. مجموعه داده¬های مورد نیاز سیستم بخشی از پیکرۀ متنی زبان فارسی است که توسط پژوهشکدۀ پردازش هوشمند علائم تهیّه و برچسب‌گذاری شده است. سیستم پیشنهادی از دو مرحلۀ تشکیل شده؛ در مرحلۀ اوّل با تجزیۀ نحوی جمله، حد و مرز سازه و همچنین نوع گروه نحوی این اجزا در جمله مشخص می‌شود. این اطّلاعات به عنوان ورودی در مرحلۀ دوم مورد استفاده قرار می‌گیرد. مرحلۀ دوم سیستم مربوط به تخصیص نقش های معنایی مناسب به سازه‌های مشخص شده در مرحلۀ قبل می‌باشد. برای این منظور از ویژگی های نحوی و ساختاری هر سازه، بهره گرفته می شود. نتایج به دست آمده نشان‌دهندۀ 81.6% F1= برای زیر سیستم تجزیۀ نحوی، و 87.4% F1= برای زیرسیستم برچسب‌زنی معنایی درحالتی که ورودی های سیستم به¬صورت دستی تصحیح شده باشند. همچنین کارآیی کل سیستم 73.8%F1= را برای سیستم کامل برچسب‌زنی معنایی، یعنی تجزیۀ نحوی و تخصیص نقش نشان می‌دهد. نتایج به دست آمده حاکی از آن است که می‌توان از یک پیکرۀ آموزشی کوچک 1300 کلمه¬ای نتایج قابل قبولی به¬دست آورد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Semantic Role Labeling of Persian Sentences with Memory-Based Learning Approach
چکیده انگلیسی مقاله Abstract Extracting semantic roles is one of the major steps in representing text meaning. It refers to finding the semantic relations between a predicate and syntactic constituents in a sentence. In this paper we present a semantic role labeling system for Persian, using memory-based learning model and standard features. Our proposed system implements a two-phase architecture to first identify the arguments by a shallow syntactic parser or chunker, and then to label them with appropriate semantic role, with respect to the predicate of the sentence. We show that good semantic parsing results, can be achieved with a small 1300-sentence training set. In order to extract features, we developed a shallow syntactic parser which divides the sentence into segments with certain syntactic units. The input data for both systems is drawn from RCISP corpus which is hand-labeled with required syntactic and semantic information. The results show an F-score of 81.6% on argument boundary detection task and an F-score of 87.4% on semantic role labeling task using Gold-standard parses. an overall system performance shows an F-score of 73.8% on complete semantic role labeling system i.e. boundary plus classification.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعید راحتی قوچانی |
دانشگاه ازاد اسلامی مشهد

آزاده کامل قالی باف |
دانشگاه ازاد اسلامی مشهد

اعضم استاجی |
داشنگاه فردوسی مشهد

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-43-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-600163.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات